NL2022916B1 - Interaction Method and Interaction System of Smart Watch - Google Patents

Interaction Method and Interaction System of Smart Watch Download PDF

Info

Publication number
NL2022916B1
NL2022916B1 NL2022916A NL2022916A NL2022916B1 NL 2022916 B1 NL2022916 B1 NL 2022916B1 NL 2022916 A NL2022916 A NL 2022916A NL 2022916 A NL2022916 A NL 2022916A NL 2022916 B1 NL2022916 B1 NL 2022916B1
Authority
NL
Netherlands
Prior art keywords
signal
vibration signals
smartwatch
result
interaction method
Prior art date
Application number
NL2022916A
Other languages
English (en)
Inventor
Wu Kaishun
Chen Wenqiang
Wang Lu
Qiu Minghui
Original Assignee
Univ Shenzhen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Univ Shenzhen filed Critical Univ Shenzhen
Application granted granted Critical
Publication of NL2022916B1 publication Critical patent/NL2022916B1/en

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16Constructional details or arrangements
    • G06F1/1613Constructional details or arrangements for portable computers
    • G06F1/163Wearable computers, e.g. on a belt
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/014Hand-worn input/output arrangements, e.g. data gloves

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephone Function (AREA)
  • Electric Clocks (AREA)

Claims (11)

  1. Conclusies
    1. Een interactiemethode voor een smartwatch, omvattende de volgende stappen:
    51, het uitzenden van vibratiesignalen gebaseerd op het menselijk lichaam en het verzamelen van vibratiesignalen van een versnellingsmeter en een gyroscoop van een smartwatch;
    52, het herkennen van de vibratiesignalen gebruikmakend van een anomalie detecti ealgoritme;
    53, het voorverwerken van de vibratiesignalen, en het verder classificeren en herkennen van de vibratiesignalen gebruikmakend van een algoritme gemodificeerd door k-Nearest Neighbor;
    54, het analyseren van een terugkoppeling naar een resultaat van een gebruiker, en het tijdig corrigeren om een stabiele precisie voor herkenning te behouden.
  2. 2. De interactiemethode voor de smartwatch volgens conclusie 1, waarbij vibratiesignalen langs x-as, y-as en z-as van respectievelijk de versnellingsmeter en de gyroscoop worden verzameld.
  3. 3. De interactiemethode voor de smartwatch volgens conclusie 2, waarbij de stap S2, van het herkennen van de vibratiesignalen gebruikmakend van een anomalie detectiealgoritme, omvat:
    521, het verzamelen van z-as data van de versnellingsmeter;
    522, het filteren van z-as data van de versnellingsmeter gebruikmakend van een hoogdoorlaatfilter;
    523, het instellen van een drempelwaarde voor een effectief klopsignaal en een drempelwaarde voor een ruissignaal;
    524, het lezen en selecteren van een signaal met een amplitude kleiner dan de drempelwaarde van het ruissignaal als een eerste toestand;
    525, het blijven monitoren om te wachten op een signaal met een amplitude groter dan de drempelwaarde van het effectieve klopsignaal, het opnemen van een positie van het signaal met de amplitude groter dan de drempelwaarde van het effectieve klopsignaal als X, en het instellen van een initiële positie van het signaal als een positie L voor de positie X, i.e. X-L;
    526, het blijven monitoren om te wachten op een continu signaal met een amplitude kleiner dan de drempelwaarde van het ruissignaal, en, wanneer het continue signaal met de amplitude kleiner is dan de drempelwaarde van het ruissignaal, het instellen van een eindpositie van het signaal als de huidige positie;
    527, het verwerven van signaaldata door de initiële positie en de eindpositie, en het beoordelen of een lengte van het signaal voldoet aan een lengterange, het terugkeren naar S25 indien neen, het doorgaan naar de volgende stap indien ja;
    528, het uitvoeren van een hoogdoorlaatfiltering op de data, respectievelijk het berekenen van energieën van de eerste m signaalpunten en signaalpunten na het signaalpunt m van het signaal na filtering, het beoordelen of het signaal groter is dan een drempelwaarde van een signaal-ruisverhouding, het vaststellen van het signaal als een effectief signaal indien ja, indien anders, het vaststellen als een ruissignaal en terugkeren naar S25.
  4. 4. De interactiemethode voor de smartwatch volgens conclusie 1, waarbij de stap S3 specifiek omvat:
    531, het voorverwerken van het signaal met een normalisatie, en het aftrekken van een gemiddelde waarde van het signaal en het delen door een variantie.
    532, in een initialiseringsfase van een oefenmodel, het opslaan van de data verwerkt in stap S31 als een steekproef in een database; in een werkelijk gebruiksfase, het classificeren en herkennen van het signaal gebaiikmakend van het algoritme gemodificeerd door k-Nearest Neighbor.
  5. 5. De interactiemethode voor de smartwatch volgens conclusie 1, waarbij het algoritme gemodificeerd door k-Nearest Neighbor specifiek het volgende is: gebaseerd op het dynamic time warping algoritme worden het werkelijke signaal en het oefensignaal in overeenstemming gebracht in een eenheid van frame, een kortste afstand tussen het werkelijke signaal en het oefensignaal wordt berekend, en wordt gebruikt als een basis voor het classificeren en herkennen van de k-Nearest Neighbor.
  6. 6. De interactiemethode voor de smartwatch volgens conclusie 5, waarbij de afstand de Manhattan-afstand of de Euler-afstand is.
  7. 7. De interactiemethode voor de smartwatch volgens conclusie 1, waarbij de stap S4 omvat:
    541, na het verzamelen van een geclassificeerd resultaat verkregen in stap S3, het corrigeren van een inputresultaat van gebruiker;
    542, na het corrigeren, het uitvoeren van een correctie tot op zekere hoogte op de steekproef, waarbij een stabiliteit van een precisie behouden blijft.
  8. 8. De interactiemethode voor de smartwatch volgens conclusie 7, waarbij in de stap S41, de werkelijke invoer gecorrigeerd wordt door het voorzien van een kandidaatsleutel of door een associatief resultaat van een invoennethode.
  9. 9. De interactiemethode voor de smartwatch volgens conclusie 8, waarbij de stap S42 specifiek omvat:
    5421, wanneer een gecorrigeerd resultaat samenvalt met het geclassificeerd resultaat, het niet uitvoeren van een bewerking;
    5422, wanneer het gecorrigeerde resultaat niet samenvalt met het geclassificeerde resultaat, voor een steekproef uit dezelfde categorie als het geclassificeerde resultaat in de steekproef, het verwijderen van een steekproef met een grootste afstand berekend door het algoritme gemodificeerd door de k-Nearest Neighbor, en het vervolgens vervangen van een positie van een verwijderde steekproef met een huidige steekproef.
  10. 10. Een interactiesysteem voor een smartwatch, omvattend:
    een signaaldetectiemodule, voor het uitzenden van vibratiesignalen gebaseerd op het menselijk lichaam, en het verzamelen van vibratiesignalen van een versnellingsmeter en een gyroscoop van een smartwatch;
    een herkennings- en classificeringsmodule voor het herkennen van de vibratiesignalen gebruikmakend van een anomalie detectiealgoritme; het voorverwerken van de vibratiesignalen, en het verder classificeren en herkennen van de vibratiesignalen gebruikmakend van een algoritme gemodificeerd door k-Nearest Neighbor; en een real-time terugkoppelingsmodule voor het analyseren van een terugkoppeling naar een resultaat van een gebruiker, en het tijdig corrigeren om een stabiele precisie voor herkenning te behouden.
  11. 11. Een programma voor het uitvoeren van de interact emethode voor de smartwatch volgens één van de conclusies 1-9.
NL2022916A 2019-01-04 2019-04-10 Interaction Method and Interaction System of Smart Watch NL2022916B1 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910013634.3A CN109840480B (zh) 2019-01-04 2019-01-04 一种智能手表的交互方法及交互***

Publications (1)

Publication Number Publication Date
NL2022916B1 true NL2022916B1 (en) 2020-01-31

Family

ID=66476790

Family Applications (1)

Application Number Title Priority Date Filing Date
NL2022916A NL2022916B1 (en) 2019-01-04 2019-04-10 Interaction Method and Interaction System of Smart Watch

Country Status (3)

Country Link
CN (1) CN109840480B (nl)
FR (1) FR3091606B1 (nl)
NL (1) NL2022916B1 (nl)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110169723A (zh) * 2019-06-27 2019-08-27 九阳股份有限公司 一种食品加工机
CN111221420B (zh) * 2020-01-13 2021-07-30 深圳大学 一种基于智能手表的2d移动轨迹识别方法和***
CN111752388A (zh) * 2020-06-19 2020-10-09 深圳振科智能科技有限公司 应用控制方法、装置、设备及存储介质
CN113741703A (zh) * 2021-11-08 2021-12-03 广东粤港澳大湾区硬科技创新研究院 一种非接触式智能耳机或眼镜交互方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105810214B (zh) * 2014-12-31 2019-11-05 展讯通信(上海)有限公司 语音激活检测方法及装置
EP3065043A1 (en) * 2015-03-02 2016-09-07 Nxp B.V. Mobile device
CN107300971B (zh) * 2017-06-09 2019-04-02 深圳大学 基于骨传导振动信号传播的智能输入方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN WENQIANG ET AL: "ViType: A Cost Efficient On-Body Typing System through Vibration", 2018 15TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON SENSING, COMMUNICATION, AND NETWORKING (SECON), IEEE, 11 June 2018 (2018-06-11), pages 1 - 9, XP033367932, DOI: 10.1109/SAHCN.2018.8397098 *
HONGYI WEN ET AL: "Serendipity", HUMAN FACTORS IN COMPUTING SYSTEMS, ACM, 2 PENN PLAZA, SUITE 701 NEW YORK NY 10121-0701 USA, 7 May 2016 (2016-05-07), pages 3847 - 3851, XP058257548, ISBN: 978-1-4503-3362-7, DOI: 10.1145/2858036.2858466 *
MAOTIAN ZHANG ET AL: "iDial", PROCEEDINGS OF THE ACM ON INTERACTIVE, MOBILE, WEARABLE AND UBIQUITOUS TECHNOLOGIES, ACM, 2 PENN PLAZA, SUITE 701NEW YORKNY10121-0701USA, vol. 2, no. 1, 26 March 2018 (2018-03-26), pages 1 - 20, XP058396468, DOI: 10.1145/3191787 *
WENQIANG CHEN ET AL: "Virtual Keyboard for Wearable Wristbands", EMBEDDED NETWORK SENSOR SYSTEMS, ACM, 2 PENN PLAZA, SUITE 701NEW YORKNY10121-0701USA, 6 November 2017 (2017-11-06), pages 1 - 2, XP058396661, ISBN: 978-1-4503-5459-2, DOI: 10.1145/3131672.3136984 *

Also Published As

Publication number Publication date
FR3091606A1 (fr) 2020-07-10
CN109840480B (zh) 2021-08-13
FR3091606B1 (fr) 2021-09-24
CN109840480A (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
NL2022916B1 (en) Interaction Method and Interaction System of Smart Watch
US10339371B2 (en) Method for recognizing a human motion, method for recognizing a user action and smart terminal
US20190170783A1 (en) Fall detection system using a combination of accelerometer, audio input and magnetometer
US10083397B2 (en) Personalized intelligent wake-up system and method based on multimodal deep neural network
CN107773214A (zh) 一种最佳唤醒策略的方法、计算机可读介质和***
US20120323521A1 (en) System and method for recognizing gestures
KR102036987B1 (ko) 생체 및 움직임 정보를 이용한 수면 상태 감지 방법 및 장치
US10241583B2 (en) User command determination based on a vibration pattern
CN105103221A (zh) 对文本到语音发音问题检测的语音识别辅助评估
KR101967342B1 (ko) 웨어러블 기기 기반 운동 가이드 시스템
CN110970130A (zh) 一种注意缺陷多动障碍的数据处理方法
US20190343440A1 (en) System and method for measuring reaction time of a subject
CN112057066A (zh) 心率的检测方法、可穿戴设备及计算机存储介质
CN110460809A (zh) 一种婴儿哭声侦测方法、装置及智能摄像头设备
Lu et al. Detection of smoking events from confounding activities of daily living
KR20170073541A (ko) 사용자의 자세나 자세의 변화에 기초하여 배뇨 또는 사정을 모니터링하기 위한 장치 내지 시스템, 배뇨 또는 사정을 모니터링하는 방법, 그리고 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체
CN117272155A (zh) 基于智能手表的驾驶人路怒症检测方法
US11266346B2 (en) Method and apparatus for determining sleep state using biometric information and motion information
Ge et al. CRUFT: Context recognition under uncertainty using fusion and temporal learning
US11270109B2 (en) Interactive method and interactive system for smart watch
Wu et al. Using deep learning and smartphone for automatic detection of fall and daily activities
Anju et al. Recent survey on Parkinson disease diagnose using deep learning mechanism
Kim et al. DeepSchema: Automatic Schema Acquisition from Wearable Sensor Data in Restaurant Situations.
Jagedish et al. Wearable devices with recurrent neural networks for real-time fall detection
Demagh et al. TinyMM: Multimodal-Multitask Machine Learning on Low-Power MCUs for Smart Glasses